基于无偏置卷积神经网络的鲁棒且可解释的盲图像去噪
图像与视频处理
2020-02-11 v3 计算机视觉与模式识别
机器学习
机器学习
摘要
深度卷积网络通常在其卷积操作中添加加性常数（“偏置”）项，以实现更丰富的函数映射。偏置项也用于促进训练，方法是在训练图像批次上减去平均响应（“批量归一化”的一个组成部分）。近期最先进的盲去噪方法（例如 DnCNN）似乎需要这些项才能取得成功。然而，我们在此表明，这些网络系统性地过拟合了其所训练处的噪声水平：当部署在训练范围之外的噪声水平时，性能急剧下降。相比之下，一种无偏置架构——通过移除网络每一层中的常数项（包括用于批量归一化的那些项）获得——能够跨噪声水平鲁棒地泛化，同时在训练范围内保持最先进的性能。在局部上，无偏置网络对噪声图像进行线性作用，从而能够通过标准线性代数工具直接分析网络行为。这些分析从非线性自适应滤波以及向低维子空间并集上的投影的角度，提供了对网络功能的解释，将基于学习的方法与更传统的去噪方法联系起来。
引用
@article{arxiv.1906.05478,
title = {Robust and interpretable blind image denoising via bias-free convolutional neural networks},
author = {Sreyas Mohan and Zahra Kadkhodaie and Eero P. Simoncelli and Carlos Fernandez-Granda},
journal= {arXiv preprint arXiv:1906.05478},
year = {2020}
}
备注
Published as conference paper in ICLR 2020